第一次嘗試女上 看著彼此的表情真的超刺激 不用你動 這樣也會插的深一點 好害羞~ 有男生喜歡女上嗎？ 喜歡留言我都會看 #約會加跟隨# #轉發優先#

用 React Three Fiber 打造的 Artemis II 互動任務探索器：3D 太空教育新體驗 🎏超酷的互動 3D 專案——Interactive Artemis II Mission Explorer，由開發者 redradman8（RADMAN）使用 React Three Fiber（R3F） 與 Three.js 快速打造完成。 👉🏻這個專案把 NASA 的 Artemis II 月球任務變成一個可以親手操作的 3D 模擬器，讓任何人只要打開網頁，就能跟著 SLS 巨型火箭與 Orion 太空船，一起「飛」完整個任務！ • 真實任務時間軸：從發射、助推器分離、核心級分離、月球飛掠、返回地球到濺落，全程用時間軸控制。可隨時快轉（1x、2x、3x、5x），甚至倒轉播放。 • 超逼真粒子效果：同時運行 6 組粒子系統，包含引擎火焰、RCS 姿態控制噴氣、分離馬達、進入大氣層的電漿、降落傘等，往前倒退都完美同步。 • 三種視覺主題即時切換：藍圖模式（線框風）、太空模式（真實宇宙感）、電影模式（加上後處理 Bloom 光暈），切換時不會重置鏡頭或動畫。 • 互動點擊體驗：總共 14 個可點擊的火箭與太空船組件，點擊後鏡頭自動飛過去，並彈出詳細資訊面板（全部資料來自 NASA 公開的 Artemis II Reference Guide 與任務時間表）。 • 技術亮點：全部用 React Three Fiber 寫成，場景圖不會因為換主題而重建，效能極佳，適合用來做教育、科普或太空迷的玩具。 試玩連結：** （建議用電腦大螢幕開啟，效果最震撼！） 這個專案不只是炫技，更展現了 Three.js 在科普教育上的巨大潛力——把複雜的太空任務變成人人可親身體驗的互動故事。

1。50件出清內衣不挑款 出清代表不選我自己抓50=3456$ 送5褲 2。棄單30件內褲1999送2內衣 #內衣褲# #跟隨按讚轉推三個步驟# 抽人送內衣褲

26y性癮單親媽媽 真的不想上班 三四萬的薪水真的不夠用 只想在家打🫧 晚點想約一下 誰在？ 可以接受無套外射 內射剁屌 #轉推跟隨優先回復哦#

快把我玩坏了 真的超喜歡抓住我的乳頭 頂到底的那種酥麻感一擁而上 這感覺好特別 酥麻又好疼… 像在高潮臨界點打轉 #台灣約愛愛# #跟隨報名密我# #固炮長期約#

Codex 在 0.128.0 引入了 /goal，一个不达目的不罢休的 Agent 设计，轻轻松松跑七八个小时，烧 Token 也很猛。 它跟 Spec-Driven Development 不太一样，实现上比较直接，约等于把社区流行的 Ralph loop 内置到了 TUI 里：while :; do cat PROMPT.md | codex; done。 /goal 既不做任务规划，也不做流程编排，它只提供约束和目标。只要目标没达成，它就让模型持续干活。 那它是如何不忘记任务的呢？其实也很简单，它把目标写进了数据库🥲，默认放在 ~/.codex/state_5.sqlite，每次 loop 都会读一遍数据库。当前的设计里，一个 session 只支持一个 goal，无论是进程重启还是 ctrl+c 中断都会自动恢复目标任务。 在任务的恢复机制上倒是做了一些优化，为了避免跟用户抢控制权，/goal 会严格检查当前线程是否处于空闲状态，然后再自动注入一个 continuation prompt 推进下一个 turn，prompt 拼接的内容大概做了这么几件事情：1）把目标转成可验证交付物；2）构建 checklist；3）检查真实产物（文件、输出、测试）。 在 prompt 里还做了比较强硬的检测声明：不接受看起来完成，不要因为 token 预算焦虑就提前完成，不要相信之前的记忆，只要有不确定性就继续干。 这种设计最大的问题就是巨量的 token 消耗，/goal 没有采用对话追加模式，每轮都会发送完整的对话历史，这会导致 token 消耗随轮次 n² 增长，而烧钱的问题完全靠服务器端的 prompt cache 机制来缓解。cache 也不是完全免费，只是成本更低而已，Claude Code 的 cache-hit 价格是 1 折左右，估计 Codex 的价格会更低。 可以这么理解，/goal = 目标驱动（objective）+ 状态感知（budget/time）+ 验收机制（audit）。每一步要做什么，完全交给模型自己来判断，相当于把模型当成一个负责交付结果的工程师。

网红脸其实没什么记忆点。prompt：以未经处理的iPhone手持拍摄的真实视频素材风格呈现，所有相机设置均为自动，无任何后期调色或特效。画面带有真实的手持轻微抖动和操作者呼吸感，自动对焦偶尔出现搜索、延迟和短暂失焦，自动白平衡随夕阳光线变化而自然切换。图像整体平坦，保留真实的边缘色差、轻微过曝、运动模糊等光学瑕疵。仅使用画内自然环境音效，包含远处学生喧闹声逐渐消失、风声和高跟鞋踩在水泥地的声音。采用第一人称手持视角拍摄，镜头运动为自然反应式，偶尔因紧张而出现小幅度抖动。 0秒： 女孩 hf_20260514_054525_8eaab0fa-9ee1-4dea-908e-604c5ef1cf98 走在前方约两步距离，回头笑着说： "你一直跟着我拍，不尴尬吗？" [手持呼吸抖动配合步行节奏，每步产生轻微上下起伏， 黄昏暖光与摊位灯牌交替，自动白平衡持续漂移] 2.5秒： 她停在糖葫芦摊前，侧身指着摊位： "小时候我妈说吃太多会长蛀牙，但我还是偷偷买。" [跟拍者停步但画面有惯性前倾晃动， 自动对焦从女孩脸部快速切换至糖葫芦摊， 短暂失焦约0.6秒后重新锁定女孩] 5秒： 她买了一串，转身边走边咬了一口， 皱眉："现在的没小时候酸了，还是记忆滤镜？" [拍摄者跟随向前，步行带来每2秒一次的上下律动， 前景路人肩膀快速穿过遮挡画面右下1/3约0.7秒] 8秒： 穿过拥挤摊位，女孩侧身挤过间隙， 回头小声说："你手机别掉了啊，这人太多。" [人群推挤带来画面水平方向两次短促位移， 镜头被前方路人背部短暂遮挡， 拍摄者本能侧移寻找空隙，画面轻微倾斜后回正] 11秒： 走到开阔处，她放慢脚步望向暮色， 轻声说："其实我也不知道自己在找什么。" [拍摄者脚步放缓，画面抖动频率降低， 逆光夕阳在镜头产生放射状橙色光晕， 自动对焦从女孩侧脸漂移至背景灯火后缓慢回正] 13秒： 她顿了顿，突然转头笑："算了，先吃完这串再说。" 重新迈步向前。 [步行恢复正常律动，白平衡从暖橙切换至冷蓝， 麦克风收到风声低频噗噗声覆盖约0.5秒] 仅保留画内自然音效： 女孩说话声（带轻微笑意与叹息）、 夜市嘈杂人声、摊贩叫卖、脚步声、 糖葫芦竹签轻碰声、远处音乐。 画面呈现出真实的未经处理手持视频质感，纪录片级别的自然不完美感，无任何后期调色或特效。所有相机行为均符合iPhone在黄昏天台拍摄的物理特性。

重新审视 Token (词元）的属性 TLDR： 之前我也一度觉得是大宗商品/资产 甚至还设想过相关的交易和定价逻辑 也看到不少人提过Token期货，交易所之类 但现在我倾向它只是一种服务，没必要过度金融化 毕竟它没有办法脱离AI推理单独存在，无法被提前生产出来或预先被囤积。但换个角度看，是服务，就天然是分层的、多元的，不同的人有不同的需求，这其实也恰恰奠定了AI 经济必将是百花齐放而非赢家通吃的基础。 在这浪潮中，红利属于能把廉价 Token 加工成更有价值的 Token 卖出去的人。 -------------------------------- 我的一些个人思绪和逻辑： 1、Token (词元）经济从何而来？ 首先它是AI训练转向AI推理的产物， 这是理解 Token 商业模式的基础。 过去模型训练时代，主要是卖算力时间。为什么？因为训练是持续性的大工程，需要大量算力协同工作。这种规模的投入，有资本的大厂基本都会选择自购，毕竟可控性最强，但对于没有能力一次性投入大量资金的团队来说，出于对稳定性的要求，也会倾向选择租赁模式，包下一整段时间的独占使用权，榨干这段时间内算力的所有价值，是一种占用的逻辑。 但随着主流大模型开始进入商用阶段，AI 算力的需求重心也从模型训练转向了推理。你用 GPT聊天、用 Claude写代码、问豆包问题，这些本质上都是在跑推理，每一次调用，都在为你做一次推理和计算。 而推理是相对碎片化的、一次性的、用完即走的。虽然也有不少企业，仍然会采用租赁或自购的模式来跑推理，但对于广大中小开发者和应用方来说，他们对算力独占性的要求并不高，因而额外衍生出了按消耗计费的模式，这样算力服务商就可以把算力资源同时卖给成千上万个客户。 Token (词元) 就是在这种背景下而产生的，衡量每次计算消耗了多少资源的那个单位，你付的钱，就是对这次计算的补偿，本质是消耗逻辑。 所以训练和推理是完全不同的生意形态： 训练时代，商业模式是卖 GPU 时间。 推理时代，商业模式是卖 Token (词元)。 --------------------------------- 2、为何Token (词元) 是服务属性而非商品/金融属性？ 卖Token (词元)，就是卖服务！ Token (词元) 经济，本质是服务经济！ 为什么？ 一个比较直接的原因是 Token (词元）不能被预先生产出来，而是产出后就被消耗掉了，并作为衡量你这次推理服务所消耗资源的参考，来给你计费。 且Token (词元) 的一些特性，也和大宗商品的逻辑不像： - 价格长期下降趋势 - Pay-As-You-Go - 难以标准化 你在Claude的100万Token额度，和你在Minimax的100万Token额度，两者本身是没有可比性的，模型不同，性能不同，定价完全可以不一样。 而大家愿意接受价格差异的原因，也是因为 Token (词元) 本质上计量了一种非标准化的服务，而不同用户对服务的诉求是不同的，有的人看重性能，所以愿意支付溢价，有的人看重成本控制，所以觉得国产开源模型也够用了。 而整个模型市场占有率，并没有出现几家独大，本身也是其服务属性的体现。如果 Token (词元) 是资产，那资产的流动性、网络效应，一定会引发所有资源最终向一个市场集中，形成赢家通吃的局面。但恰巧 Token (词元) 其实是服务，而服务市场天然是分层的、多元的，不同的服务商满足不同的需求，所以才构成了 AI 经济百花齐放的基础。 我想通这点后，就不再纠结模型厂商只有哪家笑到最后了。 因为未来必将是多模型共存、多层级并行的格局，Token（词元）也将会被计入到企业的会计成本之中，并反映到企业的产品和服务之中。 比较值得关注的一点是，AI时代Token所代表的服务经济和传统的人力服务经济，成本曲线可能是完全反过来的。由人所提供的服务，长期要求的是报酬上升，这也是为什么服务业占比高的经济体，服务更贵。但 Token 服务恰恰相反，价格长期只会下降，当 Token 逐步替代掉一部分原本需要人力智力才能完成的工作，这部分成本不但不会随时间上升，反而会持续走低。 这可能也是这一波AI的红利之一。 ------------------------- 3、这个Token (词元) 服务都有谁在卖？ - 闭源模型厂商 - 开源模型厂商 - 开源模型托管商 - 大模型聚合器、中转站 1）闭源模型厂商：直营为主，分销为辅 最直接的模式。OpenAI 卖 GPT 的 Token，Anthropic 卖 Claude 的 Token。模型自己训的、API 自己提供、定价权在自己手里，产品和渠道都是自己的，跟品牌直营店一个逻辑。当然作为最顶级的模型，难免会被接入像一些API中转站，或者Open Router这样的大模型聚合平台被动分销。 2）开源模型厂商：开源也挺赚钱的 开源模型谁都可以拿去用，很多人不想自己本地跑，因此催生出了一批开源模型托管商，他们可以帮你跑模型，并按 Token 收费。但这就引出一个问题：Token 的钱都让模型托管商这些中间商赚了，开源模型的开发者自己怎么赚钱？这一点，至少中国的开源模型厂商，走的很灵活。 像Minimax，Kimi，Zhipu，它们都有自有的 API 直售，更多面向开发者群体，并且也都有自己的 Coding Plan 订阅包，把按 token 计费玩出了订阅制，完全是中国移动卖流量的玩法。而OpenClaw 这波更是让它们赚得盆满钵满，各自推出了品牌化的 Claw 产品，帮用户把 OpenClaw 部署好，底层跑自家模型，Token 消耗从自家 API 走。 3）开源模型托管商：帮别人跑模型，赚差价 对于那些没有能力或意愿自己卖 Token 的开源模型来说，托管商就是它们触达用户的渠道。它们帮开发者跑模型、按 Token 收费： - Together AI / Fireworks：自有 GPU 集群 + 极致推理优化，核心竞争力是翻台率，同样的卡单位时间能吐出更多 Token。 - Groq：自研 LPU 推理专用芯片，不用传统 GPU，核心竞争力是极致速度，跑 Llama、Qwen 等开源模型比 GPU 快。 - Cloudflare Workers AI：全球 300+ 边缘节点，跑 Llama、Mistral、Qwen，最近还加了智谱 GLM 和 Kimi，核心竞争力是低延迟 + 开发者生态 - AWS Bedrock / Google Vertex AI — 企业级云平台，跑 Llama、Mistral 等主流开源模型，核心竞争力是客户的数据和基础设施已经在这些云上了，迁移成本低 4）大模型聚合器：一个入口管所有模型 闭源和开源的大模型越来越多，而不同场景适合不同模型，不同模型的优劣势不同，对开发者来说，一个个去接不同厂商和托管商的 API，管理起来很痛苦。于是催生了 OpenRouter 这类聚合器，可以接几十个模型，开发者在一个地方统一管理、按需切换即可。 OpenRouter按照批发转零售的模式盈利，各家模型厂商把自己的Token分销出去。而 OpenClaw 这波直接让 OpenRouter 上中国模型的消耗量暴增，前十名 Token 消耗量中，中国模型占了 61%，前五有四个是中国的。 而围绕这条 Token (词元) 产业链，也衍生出了一些其他的参与者和新需求： 第一是一些推理优化引擎，vLLM、SGLang 这些开源项目，在大家对效率极致追求的当下，通过对硬件算子层面（更高效地利用 GPU 计算单元，减少内存碎片和带宽瓶颈）以及 LLM 算法层面（让多个请求共享已经算过的内容，更聪明地管理显存）的优化，提升同一张卡在同一时间内的 Token 吞吐量。 它们自己不面向终端用户收费，但 Together AI、Fireworks 这些托管商底层用的就是这些技术。也有不少自己本地跑开源模型的开发者，会直接使用 vLLM 或 SGLang 来搭建自己的推理服务。 第二是对Token消耗的优化需求，当 Token 消耗逐渐常态化，自然就会有人开始琢磨怎么省钱，也有不少人早就抱怨OpenClaw高昂的Token消耗，那么，帮你预览一次 Prompt 会消耗多少 Token、建议怎么优化 Prompt 来降本、甚至自动帮你选性价比最高的模型和服务商的产品，就很有市场了。 ---------------------------- 4、AI经济时代，真正的机会在哪？ 我觉得 Token 经济的红利，属于把廉价的 Token 加工成更有价值的 Token 卖出去的人。 1）如果你有能力，就做一个模型，哪怕是微调的 你不需要从头训一个 GPT，在开源模型基础上针对某个垂直场景做微调，只要在某个细分领域效果够好，就有人愿意按 Token 付费调用你的模型。前面说了，Token 是服务，服务市场天然分层，通用大模型吃不掉所有场景，垂直微调的模型在自己的领地里反而更有定价权。 2）做一个新时代的产品，开放 API 你的产品底层消耗 Token，但你的产品本身也可以对外输出能力，你开放 API，让别的开发者和 Agent 来调用。你买入底层模型的 Token，加上你的产品逻辑和数据，产出更高价值的 Token 服务卖出去。这跟传统行业买原材料、加工、卖成品的逻辑是一样的。 3）写 Skill，做 Agent 每一个被广泛使用的 Skill 和 Agent，背后都是源源不断的 Token 消耗。你写的 Skill 越好用、越多人用，你帮模型厂商卖出去的 Token 就越多。这不是你直接卖 Token，但你是这条产业链上的分销渠道。 而不管你选哪条路， 你的护城河在我看来最终都会归结为三样东西： 算力、算法、数据。 算力影响你的吞吐量 算法影响你的效率和成本 数据决定你是不是不可替代

花了大半天把张小珺访谈姚顺宇的4小时长访听了一遍。这位去年刚从Anthropic跳到Google DeepMind的哥们，参与过Claude 3.7/4.5和Gemini 3。他给了很多实诚的头部大模型一线研究员的视角。访谈信息密度相当高。说几条我觉得最有意思的： 1. Google禁止员工用Claude Code，但姚顺宇保守估计自己90%代码是AI生成的。不保守估计99%甚至100%。一个清华加斯坦福的物理博士、顶级大模型研究员都靠AI写代码，再有人说自己不能用AI写代码，别特么给自己脸上贴金了。但反过来想，Google连内部都不让用CC和Codex，员工效率得受多大影响啊，这家公司真挺神奇的。 2. 他离开Anthropic的原因里，反对Dario反华占40%。他自己说这不是首要但确实是大原因。他很烦Dario那套「我们必须拥有最强模型才能推AI安全」的逻辑。圈里敢直接喷半年前老东家的人确实不多。 3. Claude 3.5/3.6/3.7的命名是个草台班子般的乌龙。Anthropic早期产品力极弱，「居然管两个模型叫一个名字」，外界为了区分自发叫3.6，Anthropic后来跟随社区习惯把下一个叫3.7。我之前一直以为3.6是个跳过的版本号。 4. Claude Code是「个人英雄主义的开端」。一个叫Boris的研究员自己想做提效工具，后来变成Anthropic最重要的产品之一。完全是bottom-up长出来的，不是规划出来的。 5. Anthropic创始团队一个人都没离开。来自OpenAI的那批核心是一起打过仗的，这才是top-down文化能跑通的根。对比OpenAI高管走光，姚顺宇似乎挺鄙视OpenAI的企业文化和部分高管。 6. OpenAI救了Google一命。逻辑挺反共识：如果ChatGPT一鼓作气把search吃了，Google就完了；正因为做出可能性又没做到极致，反而留了Google反击时间。 7. AI行业最重要的特质不是脑子，是靠谱。原话「那些东西多多脑子，本科生就能干」。一个物理博士说这话，算降维打击，也算给所有想转AI的人吃颗定心丸。 8. 他觉得程序员的未来是1/1000拿100倍工资。不是「程序员消失」，是「极度中心化」。绝大多数失去独特价值，少数顶级爆赚。 9. 他觉得现在很多人说的Scaling Law撞墙，多数是自己代码Bug。原话「修一个Bug带来的进展，远大于一些很神奇的技巧」。预训练在过去几个月还在变强，跟外界「预训练已死」的叙事完全相反。 10. 绝大多数New Lab都会死。 听完最大的感受是：这哥们说话真的没在留情面，又喷Anthropic又喷OpenAI又喷各种「老登」。但他敢喷的底气挺清楚，既不在SSI那条路上，也不靠LP吃饭。他自己原话说的是：「我这个行业又没什么导师又没什么旧友，我当然想喷谁喷谁。」 以及，他在说估计自己也不会在Google待太久，把这话在播客里说出来，我觉得国内头部大模型公司可以去抢一波人了。